E [ F ^ n ( x ) ] = E [ 1 n ∑ i = 1 n 1 { X i ≤ x } ] = 1 n n F X ( x ) = F X ( x ) E[\hat{F}_n(x)] = E\left[\frac{1}{n} \sum_{i=1}^{n} \mathbf{1}\{X_i \leq x\}\right] = \frac{1}{n} n F_X(x) = F_X(x) E[F^n(x)]=E[n1i=1∑n1{Xi≤x}]=n1nFX(x)=FX(x)
这个公式描述了经验分布函数(Empirical Distribution Function,简称EDF)的期望值。我们来逐步解析这个公式,以便更好地理解它:
- 定义经验分布函数:
F
^
n
(
x
)
\hat{F}_n(x)
F^n(x) 是经验分布函数,定义为样本中不超过
x
x
x 的观测值的比例。具体的公式是
F ^ n ( x ) = 1 n ∑ i = 1 n 1 { X i ≤ x } \hat{F}_n(x) = \frac{1}{n} \sum_{i=1}^{n} \mathbf{1}\{X_i \leq x\} F^n(x)=n1i=1∑n1{Xi≤x}
其中, 1 { X i ≤ x } \mathbf{1}\{X_i \leq x\} 1{Xi≤x} 是一个指示函数,当 X i ≤ x X_i \leq x Xi≤x 时取值为 1,否则为 0。
- 计算期望:要求
F
^
n
(
x
)
\hat{F}_n(x)
F^n(x) 的期望,即
E
[
F
^
n
(
x
)
]
E[\hat{F}_n(x)]
E[F^n(x)] ,可以使用线性期望的性质,即期望的和等于和的期望。因此,
E [ F ^ n ( x ) ] = E [ 1 n ∑ i = 1 n 1 { X i ≤ x } ] E[\hat{F}_n(x)] = E\left[\frac{1}{n} \sum_{i=1}^{n} \mathbf{1}\{X_i \leq x\}\right] E[F^n(x)]=E[n1i=1∑n1{Xi≤x}]
由于 1 n \frac{1}{n} n1 是常数,可以提出到期望的外面:
E [ F ^ n ( x ) ] = 1 n ∑ i = 1 n E [ 1 { X i ≤ x } ] E[\hat{F}_n(x)] = \frac{1}{n} \sum_{i=1}^{n} E[\mathbf{1}\{X_i \leq x\}] E[F^n(x)]=n1i=1∑nE[1{Xi≤x}]
- 计算指示函数的期望:
指示函数 1 { X i ≤ x } \mathbf{1}\{X_i \leq x\} 1{Xi≤x} 的值取决于事件 { X i ≤ x } \{X_i \leq x\} {Xi≤x} 是否发生。具体来说:
如果 X i ≤ x X_i \leq x Xi≤x 成立,那么 1 { X i ≤ x } = 1 \mathbf{1}\{X_i \leq x\} = 1 1{Xi≤x}=1 ;
如果 X i > x X_i > x Xi>x ,那么 1 { X i ≤ x } = 0 \mathbf{1}\{X_i \leq x\} = 0 1{Xi≤x}=0 。
指示函数的期望值( E [ 1 { X i ≤ x } ] E[\mathbf{1}\{X_i \leq x\}] E[1{Xi≤x}] )就是这个函数值的加权平均,而权重则是各自结果发生的概率。所以,计算指示函数的期望可以表示为:
E [ 1 { X i ≤ x } ] = 1 ⋅ P ( X i ≤ x ) + 0 ⋅ P ( X i > x ) E[\mathbf{1}\{X_i \leq x\}] = 1 \cdot P(X_i \leq x) + 0 \cdot P(X_i > x) E[1{Xi≤x}]=1⋅P(Xi≤x)+0⋅P(Xi>x)
这里 P ( X i ≤ x ) P(X_i \leq x) P(Xi≤x) 是 X i X_i Xi 的值小于或等于 x x x 的概率,而 P ( X i > x ) P(X_i > x) P(Xi>x) 是 X i X_i Xi 的值大于 x x x 的概率。由于 0 ⋅ P ( X i > x ) 0 \cdot P(X_i > x) 0⋅P(Xi>x) 为 0,所以上面的公式简化为:
E [ 1 { X i ≤ x } ] = P ( X i ≤ x ) E[\mathbf{1}\{X_i \leq x\}] = P(X_i \leq x) E[1{Xi≤x}]=P(Xi≤x)
由于每个
X
i
X_i
Xi 是独立同分布的,
E
[
1
{
X
i
≤
x
}
]
E[\mathbf{1}\{X_i \leq x\}]
E[1{Xi≤x}] 实际上就是
X
i
X_i
Xi 小于等于
x
x
x 的概率,即分布函数
F
X
(
x
)
F_X(x)
FX(x) 。因此,
E
[
1
{
X
i
≤
x
}
]
=
F
X
(
x
)
E[\mathbf{1}\{X_i \leq x\}] = F_X(x)
E[1{Xi≤x}]=FX(x)
- 将期望值代入求和:由于每个
i
i
i 都是相同的概率,我们有
E [ F ^ n ( x ) ] = 1 n ∑ i = 1 n F X ( x ) = 1 n n F X ( x ) = F X ( x ) E[\hat{F}_n(x)] = \frac{1}{n} \sum_{i=1}^{n} F_X(x) = \frac{1}{n} n F_X(x) = F_X(x) E[F^n(x)]=n1i=1∑nFX(x)=n1nFX(x)=FX(x)
因此,这个公式表明,经验分布函数的期望等于理论分布函数 F X ( x ) F_X(x) FX(x) 。这说明了经验分布函数是理论分布函数的一个无偏估计。
我们再通过一个具体的例子来说明:
假设 X i X_i Xi 是一个简单的离散随机变量,它以 1 2 \frac{1}{2} 21 的概率取值 0,以 1 2 \frac{1}{2} 21 的概率取值 1。
现在我们要计算
E
[
1
{
X
i
≤
0.5
}
]
E[\mathbf{1}\{X_i \leq 0.5\}]
E[1{Xi≤0.5}] 。
根据
X
i
X_i
Xi 的取值情况:
当 X i = 0 X_i = 0 Xi=0 (发生概率为 1 2 \frac{1}{2} 21 ), 1 { X i ≤ 0.5 } = 1 \mathbf{1}\{X_i \leq 0.5\} = 1 1{Xi≤0.5}=1 ,
当
X
i
=
1
X_i = 1
Xi=1 (发生概率为
1
2
\frac{1}{2}
21 ),
1
{
X
i
≤
0.5
}
=
0
\mathbf{1}\{X_i \leq 0.5\} = 0
1{Xi≤0.5}=0 。
因此,
E [ 1 { X i ≤ 0.5 } ] = 1 ⋅ 1 2 + 0 ⋅ 1 2 = 1 2 E[\mathbf{1}\{X_i \leq 0.5\}] = 1 \cdot \frac{1}{2} + 0 \cdot \frac{1}{2} = \frac{1}{2} E[1{Xi≤0.5}]=1⋅21+0⋅21=21
这也恰好是 P ( X i ≤ 0.5 ) P(X_i \leq 0.5) P(Xi≤0.5) ,即 X i X_i Xi 小于等于 0.5 的概率。这样的计算展示了指示函数的期望确实等于该事件的概率,即 F X ( x ) F_X(x) FX(x) 。